Pruna AIが「P-H3-Image」を公開、MiniMax H3派生の画像モデルがVRAM 21GBで動作可能に

モデル圧縮を専門とするPruna AIは、2026年11月3日、オープンウェイトの画像生成・編集モデルP-H3-Imageを公開した。最大の特徴は、ゼロから学習されたのではなく、今夏にオープン化された動画モデルMiniMax H3から派生している点である。公表された性能によれば、生成は従来の50ステップから8ステップに短縮され、4bit版は約21GBのVRAMで動作する。しかし、MiniMaxから引き継がれたライセンスにより、欧州や米国は対象外となっている。

なぜ動画モデルから出発するのか

Prunaの主張は明快だ。フレーム間で一貫性を保つため、動画モデルは物体が多様な角度からどのように見えるか、光が素材にどう当たるか、人体がどう動くかを学習する必要がある。これは画像モデルにとって優れた基盤となる。MiniMax H3自体も静止画を出力可能ではあるが、結果は不鮮明であり、大半のユーザーにとっては重すぎ、かつ遅すぎた。

Prunaは各構成要素を再構築したとしている。

• プロンプト：H3は言い回しに非常に敏感なため、Qwen3.5-9Bベースの小型モデルが1行の指示を詳細なプロンプトに書き換える（デフォルトで有効）。
• テキストエンコーダ：蒸留によりパラメータ数を320億から40億へ削減（67GBから9GBへ軽量化）。
• 拡散プロセス：微細なディテールに適したスケジューラを導入し、蒸留によってCFGガイダンスなしで50ステップから8ステップへ短縮。
• デコーダ：複数フレームのデコードを前提としてぼやけた画像を出力しがちだったH3のデコーダに代わり、単一フレームから鮮明な画像を生成する新デコーダを採用。

また、H3の動画学習の恩恵を受け、同モデルは画像編集や、同一シーン内に複数の参照画像を合成する処理にも対応している。

動作に必要な環境

今回のリリースの最大の注目点は動作要件にある。bf16精度の完全なdiffusersパイプラインは、8メガピクセル生成時に約101GBのGPUメモリ（H200またはB200相当）を要求する。一方で、ComfyUI向けファイルは3つの精度で提供されている。bf16（55GB、VRAM約56GB）、8bit（30GB）、そして4bit（20GB、VRAM約21GB）だ。現時点では開発版を介してではあるが、カスタムノードなしでComfyUIがネイティブ対応している。Prunaは、4bit版は「品質を維持する」としつつも、細部や構図が変化する場合があると注意を促している。

性能に関する数値はすべてPrunaの公表値に基づく。B200上で4メガピクセル画像を生成する時間は、H3の12.4秒に対し2.6秒、48GBのL40S上では4bit版で6.3秒とされている。開発元は限界も認めている。特に8メガピクセル未満では手や背景の小さな人物が歪むことがあり、小さく密集した文字の再現性も低い（引用符で囲まれた短いテキストのみ良好に機能する）。なお、同社の資料間では記載に齟齬も見られ、ブログ記事では2〜16メガピクセルおよび入力画像最大9枚とされているのに対し、Hugging Faceのモデルカードでは8メガピクセルかつ最大8枚と記載されている。

欧州と米国を除外するライセンス

重みはオープンソースライセンスでは提供されていない。MiniMax H3から派生したPika H3 Flexと同様に、MiniMax H3 Community Licenseの管理下に置かれている。Prunaのモデルカードによれば、同ライセンスはMiniMaxから個別に許諾を得ない限り、欧州連合（EU）、英国、大韓民国、米国での利用を除外しており、利用するプロダクトには「Powered by MiniMax H3」の表示を義務付けている。テキストエンコーダ（Qwen3-VL-4Bに由来する部分）とプロンプト書き換え機能のみがApache 2.0、ComfyUIノードはMITライセンスとなっている。